CN104914867A - 一种模糊神经网络的六足机器人自主导航闭环控制器 - Google Patents
一种模糊神经网络的六足机器人自主导航闭环控制器 Download PDFInfo
- Publication number
- CN104914867A CN104914867A CN201510335446.4A CN201510335446A CN104914867A CN 104914867 A CN104914867 A CN 104914867A CN 201510335446 A CN201510335446 A CN 201510335446A CN 104914867 A CN104914867 A CN 104914867A
- Authority
- CN
- China
- Prior art keywords
- neural network
- fuzzy
- control system
- navigation
- steering wheel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种模糊神经网络的六足机器人自主导航闭环控制器;包括六足机器人,所述六足机器人由壳体和舵机构成;还包括导航控制系统;及内置于导航控制系统的安全距离SD判定模块、模糊BP神经网络模块和神经网络权系数训练与调整模块;及设置于六足机器人中心处的一探测舵机和方位传感器;及设置于探测舵机上的一超声波传感器。本发明的模糊神经网络的六足机器人自主导航闭环控制器,采用了具有反馈功能的闭环控制方法,系统输入的障碍物距离信息由超声波传感器扇形扫描得到,避免了波束角的干扰和信号串扰问题造成的误差;通过模糊神经网络和安全距离SD判定模块运算可以实现机器人安全、快速的到达目标点,且无冗余路径产生。
Description
技术领域
本发明涉及一种六足机器人控制器,特别涉及一种模糊神经网络的六足机器人自主导航闭环控制器,属于机器人导航控制技术领域。
背景技术
机器人的自主导航是移动机器人研究领域中的核心技术之一,在工业、农业、服务和医疗等领域都发挥了重要作用;传统的自主导航算法有人工势场法、栅格法和自由空间法等,通常要求周围环境已知,存在环境信息难以获取和路径优化效率低等问题;目前,对于机器人自主导航的研究更多的偏于向智能化方向发展,已经提出了基于人工神经网络、模糊逻辑控制以及模糊控制与神经网络相结合的导航算法;人工神经网络具有很强的学习训练能力,但缺少对于模糊信息的处理与描述能力;模糊逻辑控制具有逻辑推理能力,但学习和自适应能力的薄弱限制了其在非结构化环境中的应用;采用模糊控制和神经网络相结合的办法可以使系统兼具有神经网络的学习训练能力和模糊控制的模糊推理能力;但目前提出的这些算法采用的是开环控制方法,相对于闭环控制方法来说在机器人路径选择和速度控制方面性能有所欠缺;现有技术中的机器人避障会设置多个超声波传感器,而超声波传感器由于超声波波束角的存在导致超声波传感器不能准确获得障碍物的边界信息;另外机器人行走的安全性在自主导航系统中是十分关键的,当出现机器人紧贴着障碍物边缘行走或转角的情况时,会导致过近问题的产生,因此机器人需与障碍物保持一定的安全距离执行转向绕行的行为,这个安全距离的判定取决于机器人的外形尺寸与行进速度这两个因素;现有技术中对于安全距离都是单一定义一定距离,造成的路径冗余问题。
发明内容
(一)要解决的技术问题
为解决上述问题,本发明提出了一种模糊神经网络的六足机器人自主导航闭环控制器,通过一个超声波转动采集信息,同时采用了具有反馈功能的闭环控制方法,另外通过将安全距离随着速度的变化实时的改变,提高了控制器的灵活性。
(二)技术方案
本发明的模糊神经网络的六足机器人自主导航闭环控制器,包括六足机器人,所述六足机器人由壳体和舵机构成;还包括导航控制系统;及内置于导航控制系统的安全距离SD判定模块、模糊BP神经网络模块和神经网络权系数训练与调整模块;及设置于六足机器人中心处的一探测舵机和方位传感器;及设置于探测舵机上的一超声波传感器;所述方位传感器由电子罗盘与GPS构成;所述方位传感器和超声波传感器电连接导航控制系统;所述导航控制系统电连接舵机的控制端;通过方位传感器和超声波传感器将感知的环境信息作为输入提供给导航控制系统,在模糊BP神经网络中进行训练学习,得到机器人的行走速度及转向角信息,进而驱动舵机转动控制机器人行走,同时将舵机速度和转角反馈回导航控制系统,对导航控制系统的输入信息进行修正调整。
进一步地,所述探测舵机以固定的30°角转动5个角度。
进一步地,所述安全距离SD判定模块采集导航控制系统与舵机的控制端连接端口的数据;并将数据送至模糊BP神经网络模块反馈端;所述安全距离SD判定模块内侧预设有壳体尺寸数据。
进一步地,所述模糊BP神经网络模块和神经网络权系数训练与调整模块交互。
有益效果
与现有技术相比,本发明的模糊神经网络的六足机器人自主导航闭环控制器,采用了具有反馈功能的闭环控制方法,系统输入的障碍物距离信息由超声波传感器扇形扫描得到,避免了波束角的干扰和信号串扰问题造成的误差;通过模糊神经网络和安全距离SD判定模块运算可以实现机器人安全、快速的到达目标点,且无冗余路径产生。
附图说明
图1是本发明的闭环模糊神经网络系统模型示意图;
图2是本发明的超声波传感器探测角示意图;
图3是本发明的神经网络训练流程示意图;
图4是本发明的开环控制系统行走路径示意图;
图5是本发明的闭环控制系统行走路径示意图;
图6是本发明的开环控制系统输出速度示意图;
图7是本发明的闭环控制系统输出速度示意图。
具体实施方式
实施例1:
如图1所示的模糊神经网络的六足机器人自主导航闭环控制器,包括六足机器人,所述六足机器人由壳体和舵机构成;还包括导航控制系统;及内置于导航控制系统的安全距离SD判定模块、模糊BP神经网络模块和神经网络权系数训练与调整模块;及设置于六足机器人中心处的一探测舵机和方位传感器;及设置于探测舵机上的一超声波传感器;所述方位传感器由电子罗盘与GPS构成;所述方位传感器和超声波传感器电连接导航控制系统;所述导航控制系统电连接舵机的控制端;本发明以BP神经网络作为基本框架,加入了模糊逻辑层和反馈功能层构建一个闭环控制系统,将输出的速度与转向角信息反馈回输入端,并对输入信息进行修正判定,同时通过训练样本的多次训练学习调整神经网络的权值系数,保证了整个系统的收敛速度和稳定性,实现了机器人安全、快速的自主导航功能;另外,本文引入方位传感器来探测目标点方位信息,保证机器人安全避障的同时得到一个最优行走路径。
如图2所示,所述探测舵机以固定的30°角转动5个角度;既解决了由于超声波传感器波束角的存在导致超声波传感器不能准确获得障碍物的边界信息问题,同时也能够节省超声波传感器数量,通过探测舵机转动,超声波传感器能够以固定30°转动共探测5个角度的障碍物距离。
所述安全距离SD判定模块采集导航控制系统与舵机的控制端连接端口的数据;并将数据送至模糊BP神经网络模块反馈端;所述安全距离SD判定模块内侧预设有壳体尺寸数据;机器人需与障碍物保持一定的安全距离执行转向绕行的行为,这个安全距离的判定取决于机器人的外形尺寸与行进速度这两个因素;设六足机器人在未知环境中行走速度V的范围为0~30cm/s,转向角M的范围为0°~60°角;本发明安全距离SD判定模块内侧预设有壳体尺寸数据;因此安全距离SD判定模块只要实时采集舵机的转向角和行进速度;本发明的安全距离随着速度的变化实时的改变,避免了单一定义安全距离造成的路径冗余问题,提高了系统的实时性和灵活性。
如图3所示,所述模糊BP神经网络模块和神经网络权系数训练与调整模块交互;模糊神经网络在进行学习训练时,通过方位传感器和超声波传感器将实际输出值数据送至神经网络权系数训练与调整模块;通过神经网络权系数训练与调整模块实际输出值对期望输出值计算得到学习误差,判断是否达到收敛误差值,如没达到再根据BP反向传播算法对网络参数进行调整,最终得到适当的权值系数w。
实施例1:
如图4至图7所示,通过建模方式,分别对现有技术的自主导航开环控制器和本发明的自主导航闭环控制器在MATLAB上对其进行了仿真;建立一个二维坐标系系统,模拟六足机器人上的两种传感器来探测未知环境中的障碍物和目标点信息,然后将这些信息输入给建立的导航控制系统,输出相应的行进速度V和转角M控制机器人行走;分别对开环和闭环导航控制系统进行实验仿真,得到在开环和闭环系统中机器人都可以安全地绕行障碍物到达目标点,为了更好的表现机器人的行走状态,本文用小圆点表示机器人,并记录了机器人每秒钟的位置信息;小圆点组成的曲线代表机器人行走路径,相邻小圆点间的距离代表速度值,距离越大代表速度越高,距离越小代表速度越低;机器人起始点A设为(0,0),目标点B为(500,500),行进速度范围为0~30cm/s;从图中可以看出开环系统中机器人的行走时遇到障碍物绕行较远,行走路径相对于闭环系统来说有冗余;同时从仿真中机器人从起始点到目标点的实时速度值、平均速度值和时间,可以看出机器人在闭环导航控制系统中行进时间为34s,相对于开环导航控制系统中的44s减少了22.7%;同时机器人在闭环系统中的平均速度为24.6158cm/s,相对于开环系统中的21.8044cm/s提高了12.9%。
由于人工神经网络和模糊逻辑控制方式在现有技术已经有了足够的研究,其算法也比较完善,而人工神经网络与模糊逻辑控制具有许多相同的特性,它们可单独或组合起来对某过程实行控制;本发明以BP神经网络作为基本框架,加入了模糊逻辑层和反馈功能层构建一个闭环控制系统,模糊逻辑层能够与人工神经网络很好地组合起来对某过程实行控制;在此不再赘述。
上面所述的实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的构思和范围进行限定。在不脱离本发明设计构思的前提下,本领域普通人员对本发明的技术方案做出的各种变型和改进,均应落入到本发明的保护范围,本发明请求保护的技术内容,已经全部记载在权利要求书中。
Claims (4)
1.一种模糊神经网络的六足机器人自主导航闭环控制器,包括六足机器人,所述六足机器人由壳体和舵机构成;其特征在于:还包括导航控制系统;及内置于导航控制系统的安全距离SD判定模块、模糊BP神经网络模块和神经网络权系数训练与调整模块;及设置于六足机器人中心处的一探测舵机和方位传感器;及设置于探测舵机上的一超声波传感器;所述方位传感器由电子罗盘与GPS构成;所述方位传感器和超声波传感器电连接导航控制系统;所述导航控制系统电连接舵机的控制端。
2.根据权利要求1所示的模糊神经网络的六足机器人自主导航闭环控制器,其特征在于:所述探测舵机以固定的30°角转动5个角度。
3.根据权利要求1所示的模糊神经网络的六足机器人自主导航闭环控制器,其特征在于:所述安全距离SD判定模块采集导航控制系统与舵机的控制端连接端口的数据;并将数据送至模糊BP神经网络模块反馈端;所述安全距离SD判定模块内侧预设有壳体尺寸数据。
4.根据权利要求1所示的模糊神经网络的六足机器人自主导航闭环控制器,其特征在于:所述模糊BP神经网络模块和神经网络权系数训练与调整模块交互。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510335446.4A CN104914867B (zh) | 2015-06-12 | 2015-06-12 | 一种模糊神经网络的六足机器人自主导航闭环控制器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510335446.4A CN104914867B (zh) | 2015-06-12 | 2015-06-12 | 一种模糊神经网络的六足机器人自主导航闭环控制器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104914867A true CN104914867A (zh) | 2015-09-16 |
CN104914867B CN104914867B (zh) | 2018-02-16 |
Family
ID=54084023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510335446.4A Active CN104914867B (zh) | 2015-06-12 | 2015-06-12 | 一种模糊神经网络的六足机器人自主导航闭环控制器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104914867B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106054893A (zh) * | 2016-06-30 | 2016-10-26 | 江汉大学 | 智能车的控制系统和方法 |
CN106227202A (zh) * | 2016-09-19 | 2016-12-14 | 吉林大学 | 一种兼具自主导航及远程遥控的六足机器人 |
CN109213174A (zh) * | 2018-10-24 | 2019-01-15 | 北京工业大学 | 一种基于模糊神经网络的污水处理厂智能巡检避障方法 |
CN109782593A (zh) * | 2019-01-09 | 2019-05-21 | 哈尔滨理工大学 | 一种应用于六足机器人的共享因子模糊推理器 |
CN110209183A (zh) * | 2019-06-04 | 2019-09-06 | 吉林大学 | 一种基于双阈值法zmp的六足机器人失稳调节算法 |
CN113867366A (zh) * | 2021-11-02 | 2021-12-31 | 福建省海峡智汇科技有限公司 | 一种基于自适应网络模糊的移动机器人控制方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040088079A1 (en) * | 2001-01-26 | 2004-05-06 | Erwan Lavarec | Method and device for obstacle detection and distance measurement by infrared radiation |
US6925380B1 (en) * | 2002-10-30 | 2005-08-02 | Acuere Technologies Corporation | Navigation control system |
CN101650568A (zh) * | 2009-09-04 | 2010-02-17 | 湖南大学 | 未知环境下移动机器人导航安全的方法 |
CN101758827A (zh) * | 2010-01-15 | 2010-06-30 | 南京航空航天大学 | 一种未知环境下基于行为融合的智能探测车自主避障方法 |
CN102042835A (zh) * | 2010-11-05 | 2011-05-04 | 中国海洋大学 | 自主式水下机器人组合导航系统 |
CN102346489A (zh) * | 2010-07-28 | 2012-02-08 | 中国科学院自动化研究所 | 基于脉冲神经网络的机器人跟踪目标的控制方法 |
CN102999050A (zh) * | 2012-12-13 | 2013-03-27 | 哈尔滨工程大学 | 一种智能水下机器人的自主避障方法 |
CN103431812A (zh) * | 2013-08-02 | 2013-12-11 | 南京航空航天大学金城学院 | 一种基于超声雷达探测的清洁机器人及其行走控制方法 |
CN104317297A (zh) * | 2014-10-30 | 2015-01-28 | 沈阳化工大学 | 一种未知环境下机器人避障方法 |
CN204374771U (zh) * | 2015-01-14 | 2015-06-03 | 上海物景智能科技有限公司 | 实现清扫机器人地图边界建模的装置以及清扫机器人 |
-
2015
- 2015-06-12 CN CN201510335446.4A patent/CN104914867B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040088079A1 (en) * | 2001-01-26 | 2004-05-06 | Erwan Lavarec | Method and device for obstacle detection and distance measurement by infrared radiation |
US6925380B1 (en) * | 2002-10-30 | 2005-08-02 | Acuere Technologies Corporation | Navigation control system |
US8195385B1 (en) * | 2002-10-30 | 2012-06-05 | Harrison Jr John H | Navigation control system |
CN101650568A (zh) * | 2009-09-04 | 2010-02-17 | 湖南大学 | 未知环境下移动机器人导航安全的方法 |
CN101758827A (zh) * | 2010-01-15 | 2010-06-30 | 南京航空航天大学 | 一种未知环境下基于行为融合的智能探测车自主避障方法 |
CN102346489A (zh) * | 2010-07-28 | 2012-02-08 | 中国科学院自动化研究所 | 基于脉冲神经网络的机器人跟踪目标的控制方法 |
CN102042835A (zh) * | 2010-11-05 | 2011-05-04 | 中国海洋大学 | 自主式水下机器人组合导航系统 |
CN102999050A (zh) * | 2012-12-13 | 2013-03-27 | 哈尔滨工程大学 | 一种智能水下机器人的自主避障方法 |
CN103431812A (zh) * | 2013-08-02 | 2013-12-11 | 南京航空航天大学金城学院 | 一种基于超声雷达探测的清洁机器人及其行走控制方法 |
CN104317297A (zh) * | 2014-10-30 | 2015-01-28 | 沈阳化工大学 | 一种未知环境下机器人避障方法 |
CN204374771U (zh) * | 2015-01-14 | 2015-06-03 | 上海物景智能科技有限公司 | 实现清扫机器人地图边界建模的装置以及清扫机器人 |
Non-Patent Citations (3)
Title |
---|
沈显庆 等: "智能机器人的模糊神经网络避障算法", 《黑龙江科技学院学报》 * |
王仲民 等: "动态环境下移动机器人路径跟踪与避障", 《控制工程》 * |
陈伟海 等: "仿生六足机器人传感信息处理及全方向运动控制", 《浙江大学学报(工学版)》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106054893A (zh) * | 2016-06-30 | 2016-10-26 | 江汉大学 | 智能车的控制系统和方法 |
CN106054893B (zh) * | 2016-06-30 | 2019-07-26 | 江汉大学 | 智能车的控制系统和方法 |
CN106227202A (zh) * | 2016-09-19 | 2016-12-14 | 吉林大学 | 一种兼具自主导航及远程遥控的六足机器人 |
CN109213174A (zh) * | 2018-10-24 | 2019-01-15 | 北京工业大学 | 一种基于模糊神经网络的污水处理厂智能巡检避障方法 |
CN109213174B (zh) * | 2018-10-24 | 2021-10-01 | 北京工业大学 | 一种基于模糊神经网络的污水处理厂智能巡检避障方法 |
CN109782593A (zh) * | 2019-01-09 | 2019-05-21 | 哈尔滨理工大学 | 一种应用于六足机器人的共享因子模糊推理器 |
CN109782593B (zh) * | 2019-01-09 | 2022-03-22 | 哈尔滨理工大学 | 一种应用于六足机器人的共享因子模糊推理器的控制方法 |
CN110209183A (zh) * | 2019-06-04 | 2019-09-06 | 吉林大学 | 一种基于双阈值法zmp的六足机器人失稳调节算法 |
CN113867366A (zh) * | 2021-11-02 | 2021-12-31 | 福建省海峡智汇科技有限公司 | 一种基于自适应网络模糊的移动机器人控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104914867B (zh) | 2018-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104914867A (zh) | 一种模糊神经网络的六足机器人自主导航闭环控制器 | |
Singh et al. | Path optimisation of a mobile robot using an artificial neural network controller | |
CN102207736B (zh) | 基于贝塞尔曲线的机器人路径规划方法及装置 | |
CN108319293B (zh) | 一种基于lstm网络的uuv实时避碰规划方法 | |
Guo et al. | Research progress of path planning methods for autonomous underwater vehicle | |
Jiang et al. | Autonomous navigation system of greenhouse mobile robot based on 3D Lidar and 2D Lidar SLAM | |
CN103984342B (zh) | 移动机器人的多脉冲神经网络控制器导航控制方法 | |
CN107168324A (zh) | 一种基于anfis模糊神经网络的机器人路径规划方法 | |
CN101916071A (zh) | 仿生机器鱼运动的cpg反馈控制方法 | |
CN107562053A (zh) | 一种基于模糊q学习的六足机器人避障方法 | |
CN105717923A (zh) | 基于椭圆聚类-碰撞锥推演的无人艇海洋动态避障控制算法 | |
CN113848974A (zh) | 一种基于深度强化学习的飞行器轨迹规划方法及系统 | |
Sun et al. | A novel fuzzy control algorithm for three-dimensional AUV path planning based on sonar model | |
Yan et al. | A novel 3-D bio-inspired neural network model for the path planning of an AUV in underwater environments | |
Liu et al. | 3D path planning for AUV using fuzzy logic | |
Zhang et al. | Design of an artificial bionic neural network to control fish-robot's locomotion | |
Li et al. | Characteristic evaluation via multi-sensor information fusion strategy for spherical underwater robots | |
Okereke et al. | An overview of machine learning techniques in local path planning for autonomous underwater vehicles | |
Lou et al. | Path planning in an unknown environment based on deep reinforcement learning with prior knowledge | |
Yi et al. | Intelligent robot obstacle avoidance system based on fuzzy control | |
Al-Sagban et al. | Neural based autonomous navigation of wheeled mobile robots | |
Wang et al. | Research on autonomous planning method based on improved quantum Particle Swarm Optimization for Autonomous Underwater Vehicle | |
Li et al. | A new artificial lateral line attitude perception method based on mixed activation function-multilayer perceptron (MAF-MLP) | |
Trasnea et al. | GridSim: a vehicle kinematics engine for deep neuroevolutionary control in autonomous driving | |
Pang et al. | Multi-AUV formation reconfiguration obstacle avoidance algorithm based on affine transformation and improved artificial potential field under ocean currents disturbance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |